详解Python基础random模块随机数的生成

作者:袁霄 时间:2021-07-29 08:12:01 

随机数参与的应用场景大家一定不会陌生,比如密码加盐时会在原密码上关联一串随机数,蒙特卡洛算法会通过随机数采样等等。Python内置的random模块提供了生成随机数的方法,使用这些方法时需要导入random模块。


import random

下面介绍下Python内置的random模块的几种生成随机数的方法。
1、random.random() 随机生成 0 到 1 之间的浮点数[0.0, 1.0) 。


print("random: ", random.random())
#random: 0.5714025946899135

2、random.randint(a , b) 随机生成 a 与 b 之间的整数[a, b]。


print("randint: ", random.randint(6,8))
#randint: 8

3、random.randrange(start,stop,step)按步长step随机在上下限范围内取一个随机数。


print("randrange: ",random.randrange(20,100,5))
#randrange: 85

4、random.uniform(a, b) 随机生成 a 与 b 之间的浮点数[a, b]。


print("uniform: ",random.uniform(5,10))
#uniform: 5.119790163375776

5、random.choice() 从列表中随机取出一个元素,比如列表、元祖、字符串等。注意的是,该方法需要参数非空,否则会抛出 IndexError 的错误。


print("choice: ",random.choice("www.yuanxiao.net"))
#choice: y

6、random.shuffle(items) 把列表 items 中的元素随机打乱。注意的是,如果不想修改原来的列表,可以使用 copy 模块先拷贝一份原来的列表。


num = [1, 2, 3, 4, 5]
random.shuffle(num)
print("shuffle: ",num)
#shuffle: [1, 3, 5, 4, 2]

7、random.sample(items, n) 从列表 items 中随机取出 n 个元素。


num = [1, 2, 3, 4, 5]
print("sample: ",random.sample(num, 3))
#sample: [4, 1, 5]

Python 的random模块产生的随机数其实是伪随机数,依赖于特殊算法和指定不确定因素(种子seed)来实现。如randint方法生成一定范围内的随机数,会先指定一个特定的seed,将seed通过特定的随机数产生算法,得到一定范围内随机分布的随机数。因此对于同一个seed值的输入产生的随机数会相同,省略参数则意味着使用当前系统时间秒数作为种子值,达到每次运行产生的随机数都不一样。


random.seed(2)
print("random: ", random.random())
#random: 0.9560342718892494

random.seed(3)
print("random: ", random.random())
#random: 0.23796462709189137

random.seed(3)#同一个种子值,产生的随机数相同
print("random: ", random.random())
#random: 0.23796462709189137

numpy库也提供了random模块,用于生成多维度数组形式的随机数。使用时需要导入numpy库。


import numpy as np

下面介绍下numpy库的random模块的几种生成随机数的方法。

1、numpy.random.rand(d0,d1,…,dn)

  1. rand函数根据给定维度生成[0,1]之间的数据,包含0,不包含1

  2. dn表格每个维度

  3. 返回值为指定维度的array


print("np.random.rand:\n {}".format(np.random.rand(4,2))) # shape: 4*3
"""
np.random.rand:
[[0.5488135 0.71518937]
[0.60276338 0.54488318]
[0.4236548 0.64589411]
[0.43758721 0.891773 ]]
"""

print("np.random.rand:\n {}".format(np.random.rand(4,3,2))) # shape: 4*3*2
"""
np.random.rand:
[[[0.96366276 0.38344152]
[0.79172504 0.52889492]
[0.56804456 0.92559664]]

[[0.07103606 0.0871293 ]
[0.0202184 0.83261985]
[0.77815675 0.87001215]]

[[0.97861834 0.79915856]
[0.46147936 0.78052918]
[0.11827443 0.63992102]]

[[0.14335329 0.94466892]
[0.52184832 0.41466194]
[0.26455561 0.77423369]]]
"""

 2、numpy.random.randn(d0,d1,…,dn)

  1. randn函数返回一个或一组样本,具有标准正态分布。

  2. dn表格每个维度

  3. 返回值为指定维度的array

  4. 标准正态分布—-standard normal distribution

  5. 标准正态分布又称为u分布,是以0为均值、以1为标准差的正态分布,记为N(0,1)。


print("np.random.randn:\n {}".format(np.random.randn())) # 当没有参数时,返回单个数据
"""
np.random.randn:
2.2697546239876076
"""
print("np.random.randn:\n {}".format(np.random.randn(2,4)))
"""
np.random.randn:
[[-1.45436567 0.04575852 -0.18718385 1.53277921]
[ 1.46935877 0.15494743 0.37816252 -0.88778575]]
"""
print("np.random.randn:\n {}".format(np.random.randn(4,3,2)))
"""
np.random.randn:
[[[-1.98079647 -0.34791215]
[ 0.15634897 1.23029068]
[ 1.20237985 -0.38732682]]

[[-0.30230275 -1.04855297]
[-1.42001794 -1.70627019]
[ 1.9507754 -0.50965218]]

[[-0.4380743 -1.25279536]
[ 0.77749036 -1.61389785]
[-0.21274028 -0.89546656]]

[[ 0.3869025 -0.51080514]
[-1.18063218 -0.02818223]
[ 0.42833187 0.06651722]]]
"""

3、numpy.random.randint(low, high=None, size=None, dtype='l')

  1. 返回随机整数,范围区间为[low,high),包含low,不包含high

  2. 参数:low为最小值,high为最大值,size为数组维度大小,dtype为数据类型,默认的数据类型是np.int

  3. high没有填写时,默认生成随机数的范围是[0,low]


print("np.random.randint:\n {}".format(np.random.randint(1,size=5)))# 返回[0,1)之间的整数,所以只有0
"""
np.random.randint:
[0 0 0 0 0]
"""
print("np.random.randint:\n {}".format(np.random.randint(1,5)))# 返回1个[1,5)时间的随机整数
"""
np.random.randint:
2
"""
print("np.random.randint:\n {}".format(np.random.randint(-5,5,size=(2,2))))
"""
np.random.randint:
[[-5 -3]
[ 2 -3]]
"""

4、numpy.random.seed()

  1. np.random.seed()的作用:使得随机数据可预测。

  2. 当我们设置相同的seed,每次生成的随机数相同。如果不设置seed,则每次会生成不同的随机数

以上所述是小编给大家介绍的Python基础random模块随机数的生成详解整合网站的支持!

来源:https://www.imooc.com/article/282986

标签:Python,random,随机数
0
投稿

猜你喜欢

  • 详解Python3序列赋值、序列解包

    2022-04-19 05:24:51
  • 浅谈Python数据类型判断及列表脚本操作

    2021-02-16 07:56:14
  • MySQL SQL语句优化的10条建议

    2024-01-19 23:41:28
  • Mobile Web下的编码设计

    2010-01-28 10:42:00
  • 分析Python中设计模式之Decorator装饰器模式的要点

    2021-12-06 12:04:01
  • vue3.0语法糖内的defineProps及defineEmits解析

    2024-05-09 09:25:43
  • 边框样式的写法总结

    2009-01-18 13:00:00
  • Golang import本地包和导入问题相关详解

    2024-01-30 09:35:37
  • 通过不同的CSS设计字体大小来提高用户体验

    2008-12-10 19:17:00
  • Go快速开发一个RESTful API服务

    2024-04-30 10:05:07
  • Numpy数组转置的两种实现方法

    2023-01-22 16:36:54
  • Python异常处理知识点总结

    2023-01-04 16:03:36
  • 改善登陆界面的用户体验: 自动聚焦表单

    2009-12-09 16:13:00
  • layui-table表复选框勾选的所有行数据获取的例子

    2024-04-28 10:19:05
  • 简单聊聊Go for range中容易踩的坑

    2024-04-26 17:30:09
  • 自然语言处理NLP TextRNN实现情感分类

    2022-01-20 11:14:47
  • Pycharm修改python路径过程图解

    2022-10-27 15:57:26
  • 详解Vue中Computed与watch的用法与区别

    2023-07-02 17:05:24
  • 7个流行的Python强化学习算法及代码实现详解

    2021-07-06 08:38:03
  • 使用Python的Scrapy框架十分钟爬取美女图

    2023-06-16 03:28:57
  • asp之家 网络编程 m.aspxhome.com